Learning Inverse Kinodynamics for Autonomous Vehicle Drifting

要約

この研究では、小型自動運転車の運動力学モデルを学習するためのデータ駆動型の学習ベースのアプローチを調査し、それが動作計画、特に自律ドリフトに与える影響を観察します。
現実世界で動作計画を実行する場合、エラーの原因は数多くあり、計画された内容が実際の車両で実行されるものと異なることがよくあります。
慣性測定と実行されたコマンドに基づいた運動力学プランナーを学習することは、世界の状態を知るのに役立ちます。
私たちの場合、ドリフトの領域に目を向けます。
これは、十分に滑らかな表面、十分な速度、および速度の大幅な変化を必要とする複雑な操作です。
私たちはこれらのドリフト操作の運動力学モデルを学習し、車のスリップを引き締めようと試みます。
私たちのアプローチは、高速円航法のための運動力学モデルを学習することができ、緩やかなドリフトに対して実行された曲率を修正することで、高速での自律ドリフト上の障害物を回避することができます。
今後の作業では、よりタイトなドリフトを成功させるために、運動力学モデルを調整することを目指しています。

要約(オリジナル)

In this work, we explore a data-driven learning-based approach to learning the kinodynamic model of a small autonomous vehicle, and observe the effect it has on motion planning, specifically autonomous drifting. When executing a motion plan in the real world, there are numerous causes for error, and what is planned is often not what is executed on the actual car. Learning a kinodynamic planner based off of inertial measurements and executed commands can help us learn the world state. In our case, we look towards the realm of drifting; it is a complex maneuver that requires a smooth enough surface, high enough speed, and a drastic change in velocity. We attempt to learn the kinodynamic model for these drifting maneuvers, and attempt to tighten the slip of the car. Our approach is able to learn a kinodynamic model for high-speed circular navigation, and is able to avoid obstacles on an autonomous drift at high speed by correcting an executed curvature for loose drifts. We seek to adjust our kinodynamic model for success in tighter drifts in future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google